Long-term Exposure to Oxidant Gases and Mortality: Effect Modification by PM2.5 Transition Metals and Oxidative Potential
Notice bibliographique
Résumé
BACKGROUND: Populations are simultaneously exposed to outdoor concentrations of oxidant gases (i.e., O 3 and NO 2 ) and fine particulate air pollution (PM 2.5 ). Since oxidative stress is thought to be an important mechanism explaining air pollution health effects, the adverse health impacts of oxidant gases may be greater in locations where PM 2.5 is more capable of causing oxidative stress. METHODS: We conducted a cohort study of 2 million adults in Canada between 2001 and 2016 living within 10 km of ground-level monitoring sites for outdoor PM 2.5 components and oxidative potential. O x exposures (i.e., the redox-weighted average of O 3 and NO 2 ) were estimated using a combination of chemical transport models, land use regression models, and ground-level data. Cox proportional hazards models were used to estimate associations between 3-year moving average O x and mortality outcomes across strata of transition metals and sulfur in PM 2.5 and three measures of PM 2.5 oxidative potential adjusting for possible confounding factors. RESULTS: Associations between O x and mortality were consistently stronger in regions with elevated PM 2.5 transition metal/sulfur content and oxidative potential. For example, each interquartile increase (6.27 ppb) in O x was associated with a 14.9% (95% CI = 13.0, 16.9) increased risk of nonaccidental mortality in locations with glutathione-related oxidative potential (OP GSH ) above the median whereas a 2.50% (95% CI = 0.600, 4.40) increase was observed in regions with OP GSH levels below the median (interaction P value <0.001). CONCLUSION: Spatial variations in PM 2.5 composition and oxidative potential may contribute to heterogeneity in the observed health impacts of long-term exposures to oxidant gases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».